Bewertung:
Das Buch bietet eine umfassende Einführung in Kubeflow und sein Ökosystem im Kontext von maschinellem Lernen und Cloud-nativer Entwicklung. Es wird für seine organisierte Struktur, den wertvollen Inhalt und die praktischen Beispiele geschätzt, was es zu einer geeigneten Ressource für diejenigen macht, die neu in Kubeflow sind. Einige Nutzer waren jedoch der Meinung, dass es teilweise verwirrend sein könnte und bemängelten veraltete Inhalte und die Druckqualität.
Vorteile:⬤ Umfassender Überblick über Kubeflow
⬤ gut organisiert und strukturiert
⬤ gute Beispiele für die praktische Anwendung
⬤ wertvoll sowohl für Anfänger als auch für diejenigen mit einiger Erfahrung
⬤ hilft beim Verständnis von Deployment-Pipelines
⬤ angemessener Preis.
⬤ Uneinheitlicher Ton zwischen den Kapiteln
⬤ einige Inhalte sind veraltet
⬤ Schwarz-Weiß-Bilder/Code in der Druckversion
⬤ einige Leser fanden, dass es sich eher wie eine Dokumentation als ein Buch liest
⬤ nicht für absolute Anfänger ohne Vorkenntnisse von Kubernetes oder Machine-Learning-Tools empfohlen.
(basierend auf 9 Leserbewertungen)
Kubeflow for Machine Learning: From Lab to Production
Wenn Sie ein Modell für maschinelles Lernen trainieren, aber nicht sicher sind, wie Sie es in die Produktion bringen können, hilft Ihnen dieses Buch weiter. Kubeflow bietet eine Sammlung von Cloud-nativen Tools für verschiedene Phasen des Lebenszyklus eines Modells, von der Datenexploration über die Feature-Vorbereitung und das Modelltraining bis hin zur Modellbereitstellung. Dieses Handbuch hilft Datenwissenschaftlern, mit Kubeflow produktionsreife Machine-Learning-Implementierungen zu erstellen, und zeigt Dateningenieuren, wie sie Modelle skalierbar und zuverlässig machen können.
Anhand von Beispielen, die sich durch das gesamte Buch ziehen, erklären die Autoren Holden Karau, Trevor Grant, Ilan Filonenko, Richard Liu und Boris Lublinsky, wie man Kubeflow verwendet, um seine Machine-Learning-Modelle auf Kubernetes in der Cloud oder in einer Entwicklungsumgebung vor Ort zu trainieren und bereitzustellen.
⬤ Verstehen Sie das Design von Kubeflow, die Kernkomponenten und die Probleme, die es löst.
⬤ Verstehen der Unterschiede zwischen Kubeflow auf verschiedenen Clustertypen.
⬤ Modelle mit Kubeflow mit gängigen Tools wie Scikit-learn, TensorFlow und Apache Spark trainieren.
⬤ Halten Sie Ihr Modell mit Kubeflow Pipelines auf dem neuesten Stand.
⬤ Verstehen Sie, wie man Metadaten für das Modelltraining erfasst.
⬤ Erforschen Sie, wie Sie Kubeflow mit zusätzlichen Open-Source-Tools erweitern können.
⬤ Verwenden Sie Hyperparameter-Tuning für das Training.
⬤ Lernen Sie, wie Sie Ihr Modell in der Produktion einsetzen können.
| ISBN: | 9781492050124 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 130 |
Derzeit verfügbar, auf Lager.
